L’accurata rilevazione e la precisa segmentazione dei noduli polmonari mediante tomografia computerizzata sono prerequisiti fondamentali per la diagnosi precoce e il trattamento appropriato del cancro del polmone. Un gruppo di ricercatori ha svolto un’indagine con la finalità di confrontare i metodi di rilevazione e di segmentazione dei noduli polmonari utilizzando tecniche di deep learning al fine di colmare lacune metodologiche e bias nella letteratura esistente. Seguendo le linee guida PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), sono stati esplorati con attenzione i database PubMed, Embase, Web of Science Core Collection e Cochrane Library alla ricerca di lavori pertinenti pubblicati fino al 10 maggio 2023. Per valutare il rischio di bias sono stati utilizzati i criteri di Quality Assessment of Diagnostic Accuracy Studies 2, adattati con la Checklist for Artificial Intelligence in Medical Imaging. Alla fine, gli esperti hanno selezionato 9 documenti che hanno soddisfatto i criteri di inclusione. Questi studi, pubblicati tra il 2019 e il 2023, hanno utilizzato prevalentemente set di dati pubblici. Tra questi Lung Image Database.
Consortium Image Collection and Image Database Resource Initiative e Lung Nodule Analysis 2016 sono i più comuni. Tali lavori sono concentrati su rilevamento, segmentazione e altro ancora, utilizzando principalmente reti neurali convoluzionali (Convolutional Neural Networks) per lo sviluppo del modello. La valutazione delle prestazioni ha riguardato diverse metriche tra le quali la sensibilità e il coefficiente di Dice. Gli Autori rilevano che i risultati emersi confermano il potenziale del deep learning nella rilevazione e segmentazione dei noduli polmonari. In particolare, sottolineano l’importanza di un’elaborazione standardizzata dei dati, della condivisione di codice e dati, del valore di set di dati provenienti da test esterni e della necessità di bilanciare la complessità e l’efficienza del modello nella ricerca futura.
In sintesi, il deep learning rappresenta una promessa significativa nel rilevamento e nella segmentazione autonoma dei noduli polmonari. La ricerca futura dovrebbe affrontare le carenze metodologiche e la variabilità per migliorarne l’utilità clinica.
Eur Radiol. 2025
https://link.springer.com/article/10.1007/s00330-024-10907-0
E’ disponibile una nuova versione dell’app MSD Salute: non dimenticare di aggiornarla!